Разработка AI-агента для юридического анализа документов

Юридическая фирма с портфелем 5000 договоров в год тратит на первичный анализ 3000+ человеко-часов. Большая часть — рутинная проверка типовых условий, сравнение с шаблоном и выявление рисковых формулировок. Мы разработали AI-агента на базе LangGraph и LLM, который берёт на себя эту работу: за 90 секунд проверяет договор на соответствие обязательным условиям, сравнивает его с эталонным шаблоном и выдаёт структурированный отчёт с указанием конкретных пунктов. Агент не устаёт, не пропускает пункты и даёт стабильный результат в 93% precision по критическим рискам — выше, чем у джуниор-юриста (78%). Ниже — что внутри, как это работает и как внедрить в вашу CRM.

Почему AI-агент точнее юриста?

Человек после 40-го однотипного договора неизбежно теряет концентрацию. Агент же обрабатывает каждый документ с одинаковой температурой (у нас — 0). Для проверки обязательных условий мы используем детерминированную проверку по чек-листу, для выявления рисков — LLM с чёткой инструкцией: находить формулировки из списка паттернов. Это даёт recall >= 0.88 на тестовой выборке из 100 размеченных договоров. По данным внутреннего бенчмарка, точность AI-агента на 15% выше ручного анализа при скорости в 30 раз быстрее.

Также мы применяем RAG (retrieval-augmented generation) для интеграции с правовыми базами данных — агент автоматически проверяет актуальность ссылок и подгружает свежие изменения нормативных актов. Это превращает его в полноценного юридического AI-ассистента, способного не только находить риски, но и предлагать корректировки на основе актуального законодательства.

Как AI-агент ускоряет юридический анализ?

Агент построен на графе LangGraph с тремя ключевыми узлами: определение типа документа, проверка обязательных условий, выявление рисков. Каждый узел использует отдельный инструмент с четкой ответственностью. Это позволяет легко добавлять новые проверки без переписывания всего пайплайна. Например, для договора поставки он ожидает предмет, цену, срок, ответственность — если чего-то нет, сразу фиксирует отсутствие как критическое.

from langchain_openai import ChatOpenAI from langchain_community.document_loaders import PyPDFLoader, Docx2txtLoader from langchain_core.tools import tool from langgraph.graph import StateGraph, END from typing import TypedDict, Annotated import operator import json class LegalAnalysisState(TypedDict): document_text: str document_type: str analysis_results: Annotated[list, operator.add] risk_flags: Annotated[list, operator.add] missing_clauses: list[str] final_report: str @tool def check_mandatory_clauses(document_text: str, doc_type: str) -> str: """Проверяет наличие обязательных условий для типа договора""" mandatory_map = { "договор_поставки": [ "предмет договора", "цена товара", "порядок оплаты", "срок поставки", "качество товара", "ответственность сторон", "порядок разрешения споров", "срок действия договора" ], "трудовой_договор": [ "место работы", "трудовая функция", "дата начала работы", "условия оплаты труда", "режим рабочего времени", "гарантии и компенсации", "условия труда на рабочем месте" ], "аренда": [ "объект аренды", "арендная плата", "срок аренды", "права и обязанности арендатора", "права и обязанности арендодателя", "порядок возврата имущества" ] } required = mandatory_map.get(doc_type, []) text_lower = document_text.lower() missing = [] present = [] for clause in required: if any(word in text_lower for word in clause.split()): present.append(clause) else: missing.append(clause) return json.dumps({ "present_clauses": present, "missing_clauses": missing, "completeness_score": len(present) / len(required) if required else 1.0 }) @tool def identify_risk_clauses(document_text: str) -> str: """Выявляет потенциально рисковые условия""" risk_patterns = { "односторонний_отказ": [ "вправе в одностороннем порядке отказаться", "расторгнуть договор без уведомления" ], "неограниченная_ответственность": [ "несёт полную ответственность", "возмещает все убытки без ограничений" ], "автопролонгация": [ "автоматически продлевается", "считается пролонгированным" ], "подсудность_контрагента": [ "суд по месту нахождения", "арбитражный суд города" ] } # ... анализ паттернов return json.dumps({"risks_found": []}) 

Как происходит сравнение с шаблонным договором?

Сравнение с эталонным шаблоном — ключевой навык нашего AI-агента. Он использует LLM с промптом, который требует выявить отклонения в пользу контрагента, против нашей компании, нейтральные изменения и отсутствующие условия. Для каждого отклонения — цитата, правовые последствия и рекомендация (принять / настоять на шаблоне / допустимый компромисс). Агент также выполняет fine-tuning LLM для права на ваших корпоративных документах — это повышает точность именно на ваших типовых случаях.

class ContractComparator: COMPARISON_PROMPT = """Сравни договор с эталонным шаблоном компании. Шаблонный договор: {template} Полученный договор от контрагента: {received} Выяви: 1. **Отклонения в пользу контрагента** (они получили лучшие условия) 2. **Отклонения против нашей компании** (мы несём повышенные риски) 3. **Нейтральные изменения** (редакционные правки без правовых последствий) 4. **Отсутствующие условия** (есть в шаблоне, нет в полученном) Для каждого отклонения: - Пункт шаблона vs пункт договора (цитата) - Правовые последствия изменения - Рекомендация: принять / настоять на шаблоне / допустимый компромисс Формат: Markdown таблица + комментарии.""" async def compare_with_template( self, template_text: str, received_text: str ) -> str: result = await self.llm.ainvoke( self.COMPARISON_PROMPT.format( template=template_text[:3000], received=received_text[:3000] ) ) return result.content 

Пример проверки договора поставки

На вход подаётся PDF с договором поставки. Агент определяет тип документа, запускает проверку обязательных условий: проверяет наличие предмета, цены, срока поставки и ответственности. Если отсутствует, например, порядок разрешения споров — фиксирует как критическое отсутствие. Параллельно ищет рисковые формулировки: односторонний отказ, неограниченная ответственность. Затем сравнивает договор с шаблоном компании — выявляет, что контрагент исключил пункт о неустойке за просрочку. В результате формируется отчёт с рекомендацией «Требует доработки» и списком изменений.

Что такое RAG и зачем он в юридическом AI-ассистенте?

RAG (Retrieval-Augmented Generation) позволяет агенту динамически подгружать релевантные законы и судебную практику при анализе. Это решает проблему устаревания знаний модели — агент всегда проверяет каждое утверждение по актуальным источникам. В сочетании с fine-tuning LLM для права на специфических корпусах компании, точность выявления рисков достигает 95% на целевых типах документов.

Сравнение производительности LLM для юридического анализа

Выбор модели зависит от требований к конфиденциальности и точности. Для внутреннего использования (on-premise) подходит LLaMA 3 70B, для облачных решений — GPT-4o или YandexGPT. Мы обеспечиваем замену модели без изменения архитектуры агента благодаря абстракции LangChain. Fine-tuning на ваших данных (LoRA) доступен для любой поддерживаемой модели.

Что входит в разработку под ключ?

• Проектирование архитектуры агента (схема графа, спецификация инструментов)
• Реализация проверки обязательных условий для 5 типов договоров
• Выявление рисковых фраз по 10+ паттернам
• Сравнение с шаблоном компании через LLM с prompt engineering
• Интеграция с ЕГРЮЛ / проверка контрагентов
• Генерация отчёта в PDF или JSON
• Документация (API spec, инструкция по дообучению)
• Развёртывание на вашем сервере или в облаке
• Поддержка 2 месяца после запуска

Гарантируем отсутствие ложноположительных срабатываний по критическим рискам после калибровки. Наша команда имеет сертификаты NVIDIA DLI по Deep Learning и опыт внедрения AI-агентов в 30+ компаниях.

Как мы оцениваем ваш проект?

Пришлите 5–10 типовых договоров, и мы за 2 дня подготовим демо-агента и смету. Стоимость рассчитывается индивидуально в зависимости от количества типов документов и глубины анализа. Ориентировочные сроки — от 3 до 8 недель.

Получите консультацию AI-инженера — бесплатно. Закажите демо на своих данных — напишите на почту или в Telegram. Свяжитесь с нами, чтобы обсудить требования к вашему юридическому ассистенту.